基于电子鼻、电子舌技术的荣昌猪肉及其制品贮藏过程新鲜度检测研究

目的 探究电子鼻、电子舌对贮藏期间荣昌猪肉及其制品新鲜度变化的检测效果。方法 测定贮藏期间荣昌猪肉及其制品菌落总数(total viable count, TVC)、挥发性盐基氮(total volatile basic nitrogen, TVB-N)及感官特性的变化,并以此划分其新鲜度等级。同时,采用电子鼻、电子舌分别对贮藏期间荣昌猪肉及其制品进行检测,运用线性判别分析(lineardiscriminantanalysis,LDA)、传感器贡献率分析(Loading)、主成分分析(principal component analysis, PCA)识别荣昌猪肉及其制品的新鲜度。结果 电子鼻能够检测到荣昌猪肉及其制品在贮藏期间的气味变化,并能够对其新鲜度进行区分,而传感器W1W对应的硫化物类的变化是电子鼻检测其新鲜度的主要依据。电子舌能够很好地区分贮藏期间荣昌猪肉及其制品的滋味变化,并能够区分其新鲜度。结论 利用电子鼻、电子舌技术能够识别不同新鲜度的荣昌猪肉及其制品,为进一步研究荣昌猪肉及其制品新鲜度快速检测提供方法参考和理论依据。     

基于SVM方法的猪肉新鲜度分类问题研究

文中采取减压贮藏方式对新鲜猪肉进行了贮藏实验,测定了不同贮藏时间样品的挥发性盐基氮含量(TVB-N)、细菌总数、pH值及感官评价数据,并运用支持向量机(support vector machine,SVM)对这些样本数据进行训练,选取不同的核函数,得到SVM神经网络模型,随后利用此模型对测试数据进行猪肉新鲜度分类预测。实验表明,根据样本特性进行数据预处理,且选取合适的核函数后,SVM神经网络能得到极高的猪肉新鲜度正确分类率。     

电子鼻技术对猪肉挥发性盐基氮的预测研究

为预测不同肥瘦配比猪肉的新鲜度,对4℃恒温贮藏条件下的新鲜猪肉进行挥发性盐基总氮(Total Volatile Basic Nitrogen,TVB-N)检测和营养成分检测,同时利用电子鼻技术检测挥发性气味的信息。以传感器阵列特征值为自变量建立蛋白质、脂肪的回归预测模型,分别对不同肥瘦配比的猪肉样本建立不分类和分类2种TVB-N神经网络预测模型。结果表明:先分类再建立神经网络模型预测的效果更优,将样本进行二分类建立2个模型后,模型训练组的相关系数达0.994、0.985(p<0.01),预测组的相关系数达到0.984、0.979(p<0.01);模型的绝对误差小而且分布区间集中,训练组和预测组各有86%、62.6%的样本的绝对误差在0~1之间;训练组中没有绝对误差大于2.5的样本,预测组中仅有8.5%的样本绝对误差大于2.5。电子鼻传感器特征信号与TVB-N数据具有很强的相关性,电子鼻可以快速预测出不同肥瘦配比猪肉在贮藏期间TVB-N含量的变化,进而无损的评价猪肉的新鲜度。     

基于SOM神经网络实现猪肉颜色的自动分级

结合图像处理和SOM神经网络对猪肉背最长肌断面颜色的分级进行了研究。通过摄像头采集猪肉背最长肌断面图像,对图像进行均值滤波后,将图像背景、脂肪去除,在此基础上,得到了肌肉颜色特征值向量H、S和L值。将H、S和L值输入自组织映射(SOM)神经网络进行聚类分析,以实现对猪肉颜色等级的划分。结果表明,对6个颜色等级分级准确率分别为73·2%、80·1%、90·5%、65·8%、54·7%和33·1%。大量的实验表明,计算机智能化分级系统具有很好的稳定性和一定的准确率,可以作为有效的猪肉颜色分级工具,但分级准确率还有待于进一步提高。     

猪肉挥发性盐基氮值指标与其感官指标的差异研究

研究了挥发性盐基氮值指标与其感官指标之间的符合程度,参照GB/T5009.44-2003TVB-N的操作方法对猪肉进行新鲜度的检测。结果表明,GB2707-2005TVB-N值指标与其相应的感官指标之间存在着一定的差异,如适当减小其界限值则更符合实际情况。     

基于细胞边缘检测的猪肉新鲜度评价方法

根据猪肉变质过程的生化机理,制作了猪肉腐败过程中各个时段的切片样本,通过实验研究了猪肉新鲜度与其完整细胞数量之间的内在关系。提出了将RGB图像转换为灰度图像以后,经直方图均衡增强处理,应用Canny算子检测细胞边缘,提取单位面积完整细胞数量作为猪肉腐败程度的检测方法,并将该结果与TVB-N值进行参照,检测结果一致。本研究为猪肉新鲜度测定提出了一种全新的简便辨识方法。     

SVM方法在肉品新鲜度分类问题中的应用

对猪肉、牛肉、羊肉及虾等几种生鲜农产品进行了减压贮藏实验,通过检测各种样品不同保藏时间的挥发性盐基氮含量(TVB-N)、细菌总数、pH值及感官评分数据,以期实现对其新鲜度的准确分类。实验结果表明,任何单一理化或感官指标都难以获得理想的分类正确率。在此基础上,运用支持向量机(support vector machine,SVM)方法对以上数据进行合理的综合训练,并对参数进行优化,从而得到SVM神经网络模型,利用此模型进行肉品的新鲜度分类预测,可大大提高分类正确率。     

基于近红外光谱的生鲜猪肉新鲜度实时评估

目的 运用近红外光谱对生鲜猪肉新鲜度进行实时评估。方法 利用多通道可见近红外光谱系统, 获取了猪肉表面380~1080 nm波长范围内的漫反射光谱数据, 采用多元散射校正(MSC)和变量标准化(SNV)的预处理方法, 然后使用偏最小二乘回归建立猪肉新鲜度的预测模型, 进而对猪肉新鲜度进行评价。结果 采用变量标准化处理后的偏最小二乘回归模型相对比较稳定, 建模效果比较好。对挥发性盐基氮 (TVB-N)的验证集的相关系数达到0.91, 对pH值的验证集的相关系数达到0.93。最后利用该模型对猪肉新鲜度进行评定, 评定准确率达92.9%。结论 实验中运用多点的测量方式提高了近红外检测的精度和稳定性, 对于实时检测评估生鲜猪肉的新鲜度有很大的潜力。     

不同质量等级延边黄牛肉成熟期间新鲜度的变化

研究不同质量等级延边黄牛肉成熟期间新鲜度变化,测定分析了pH值、颜色、TVB-N值、TBARS值理化指标.结果表明:成熟时间对各质量等级延边黄牛肉的pH值、颜色、TVB-N值、TBARS值影响显著(P＜0.05),质量等级对颜色影响显著(P＜0.05).随着成熟时间的延长,pH值上升、肉色变暗、TVB-N、TBARS值上升.     

电子鼻定量检测淡水鱼新鲜度的方法研究

挥发性盐基氮(total volatile basic nitrogen,TVB-N)值是定量评价淡水鱼新鲜度的重要指标之一,为了寻求更加准确检测TVB-N值的有效方法,自行设计了电子鼻系统。该系统由金属氧化物感器阵列、数据采集卡、信号调理电路以及数据采集与处理程序构成。以鲢鱼为研究对象,利用电子鼻系统对其新鲜度进行检测。以传感器阵列响应值作为自变量,以鱼肉TVB-N值作为因变量,分别采用多元线性回归(multiple linear regression,MLR)、主成分回归(principal component regression,PCR)和反向传播神经网络(back propagation neural network,BPNN)建立了TVB-N值的预测模型。通过测试样本对3种模型进行验证,MLR预测模型对TVB-N的预测值与测量值之间的相关系数R、预测标准误差SEP、最大误差百分比RE-max及平均误差百分比RE-mean分别为0.65、5.11、7.45%和5.04%;PCR预测模型分别为0.80、2.77、5.64%和3.15%;BPNN预测模型分别为0.97、1.56、3.51%和2.18%。结果表明:BPNN预测模型性能最优,PCR预测模型性能次之,MLR预测模型性能最差。该研究为定量化检测淡水鱼新鲜度的检测提供了一种有效的方法。     

基于玫瑰茄花青素的猪肉新鲜度智能指示膜研究

本研究以玫瑰茄花青素提取物制备可检测肉类新鲜度的智能指示膜,分别以淀粉、壳聚糖和聚乙烯醇两两混合作为成膜基底材料,比较分析了不同基底材料复合膜在机械性能、水溶性、微观结构以及颜色稳定性等方面的差异。结果表明:壳聚糖/聚乙烯醇/玫瑰茄花青素复合膜的抗拉强度最大,为98.28 MPa;聚乙烯醇/淀粉/玫瑰茄花青素复合膜的断裂伸长率最大,为88.16%,含水率最低且稳定性最高;扫描电子显微镜结果表明不同基底材料复合膜的微观结构差异较大。将聚乙烯醇/淀粉/玫瑰茄花青素复合膜用于猪肉新鲜度的检测,结果表明:在25℃贮藏环境下,随着时间延长,猪肉的挥发性盐基氮的含量不断上升,36 h后,猪肉的挥发性盐基氮值大于15 mg/100 g,表明猪肉已经腐败,同时复合膜的颜色变成淡紫色,60 h后变为褐色。研究结果可为猪肉新鲜度智能指示膜的研究开发提供参考。     

冷却肉新鲜度变化研究

以冷却肉为对象,进行了感官、挥发性脂肪酸、pH、挥发性盐基氮(TVB-N)、水分含量、色差值分析,获得了其在4、20℃下新鲜度变化规律。结果表明,前四项实验指标在不同贮藏天数下均有显著性差异(P<0.05),可准确反映肉品新鲜度状况,为今后建立快速判断肉品新鲜度的模型提供了数据参考。     

原料猪肉的新鲜度对发酵香肠中亚硝酸盐和亚硝胺变化的影响

通过对4℃下贮藏的新鲜猪肉品质指标变化的测定,将其按新鲜程度分为鲜肉、介于鲜肉与次鲜肉之间的肉、次鲜肉和变质肉四个等级;并以此为原料,探讨原料猪肉的新鲜程度对发酵香肠中亚硝酸盐残留和二乙基亚硝胺(NDEA)形成的影响。结果表明:原料猪肉的新鲜度对亚硝酸盐残留的影响不明显,但是能够极大的促进NDEA的形成。相关性分析表明,微生物的活动和尸胺的含量对亚硝酸盐残留的影响显著(p<0.05);而TVB-N的含量与NDEA的形成则呈显著正相关(p<0.01)。在建立的发酵香肠NDEA含量的预测模型中,相关系数为0.998,满足分析的要求。     

荷叶提取物对冷却猪肉新鲜度的影响

为了探讨荷叶提取物对冷却猪肉新鲜度的影响,将荷叶提取物配成0.3%、0.5%、0.7%和0.9%的溶液,注射于冷却猪肉中,真空包装后,于0～4℃贮藏13d,测定pH、颜色、TVB-N值等的变化。结果表明:向冷却猪肉中注射荷叶提取物后,在贮藏过程中,处理组的pH、a*、b*、TVB-N值和羰基值明显低于对照组,L*明显高于对照组(p<0.05);荷叶提取物可抑制冷却猪肉中细菌的生长繁殖,减缓脂肪氧化,抑制腐败变质;荷叶提取物的浓度越高,保鲜效果越好。     

基于特征融合的猪肉新鲜度高光谱图像检测

利用高光谱反射图像技术研究了猪肉新鲜度的无损检测。采集了180个猪肉样本在400~1 000 nm范围内的高光谱反射图像,提取了高光谱图像的光谱均值和熵两类特征;分别利用连续投影算法、主成分分析,以及连续投影算法结合主成分分析3种特征降维方法,提取了反映肉类新鲜度信息的重要特征变量;并建立了这些特征变量与挥发性盐基氮(TVB-N)的最小二乘支持向量机(LSSVM)预测模型;在此基础上提出了猪肉TVB-N含量的可视化检测方法。研究结果表明:相比于单一特征模型,利用光谱均值和熵融合特征的LSSVM模型可显著提高模型的准确度;连续投影算法结合主成分分析的特征降维方法,可显著降低模型的复杂度,提高模型准确度。利用光谱均值和熵两类特征,通过连续投影算法和主成分分析相结合的特征降维方法所建立的LSSVM预测模型,可取得最佳的预测准确度,其预测集的均方根误差RMSEP为1.96,相关系数(RP)为0.948,剩余预测偏差(RPD)为3.12,可满足实际检测需要。建立在此基础上的可视化方法,可直观显示肉类的腐败区域和程度。     

二维相关可见-近红外光谱结合支持向量机评价猪肉新鲜度

为探究二维相关同步光谱优选生鲜肉新鲜度特征变量的可行性,采集生鲜猪肉在1～15 d共58 个样品的可见-近红外反射光谱信息,并参照国标方法测定其挥发性盐基氮值（total volatile basic nitrogen,TVB-N）。然后,以TVB-N为“外界扰动”,选择10 条代表性光谱并进行包络线去除,结合光谱差异选取了7?个子区间。通过对每个子区间作二维相关分析,解析其二维相关同步谱和自相关谱,获取与TVB-N变化密切相关的敏感变量。最后,利用所选特征变量,分别基于原始、标准正态变量变换预处理和归一化预处理的光谱,建立猪肉新鲜度的支持向量机（support vector machine,SVM）判别模型。结果表明,利用二维相关光谱分析共提取到17?个特征波长,仅占总变量个数的1.61%,建立的SVM模型总体正确率分别为94.83%、98.28%和98.28%。这表明所建立的模型具有较好的判别效果,也说明二维相关分析用于筛选与生鲜肉新鲜度相关特征变量的方法是可行的。这有利于解析生鲜肉在腐败变质过程中的光谱特征信息变化,也为近红外光谱分析中变量筛选提供了一种新的思路。